4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil

Programa

LA MATRIZ DE CO-OCURRENCIA EN LA CLASIFICACIÓN

MULTIESPECTRAL: TUTORIAL PARA LA ENSEÑANZA DE MEDIDAS
TEXTURALES EN CURSOS DE GRADO UNIVERSITARIO.

Tema do Trabalho: Recursos Didáticos para o Ensino de Sensoriamento Remoto

Miriam Presutti
Universidad Nacional de La Plata
Facultad de Ciencias Agrarias y Forestales
Departamento de Ambiente y Recursos Naturales
Diagonal 113 y 61 (1900) La Plata. Buenos Aires. Argentina
Tel: + 54-221-4236616 - Fax: +54-221- 425-2346
presutti@agro.unlp.edu.ar

ABSTRACT
In this work a tutorial to teach textural measures in satellite imagery is presented, as part of remote
sensing programme course at university level. The texture measures may be used as input features
to classification algorithms. Furthermore, it has been demonstrated in a number of papers that the
texture measures may improve the classification results when is used as an additional feature in the
multispectral classification. The most common method to measure the texture is based on the Grey
Level Co-Ocurrence Matrix (GLCM). The principal goal of the tutorial is to understand how this
matrix is calculated by the digital image processing software. The students are encourage to do
manual calculations for a set of texture measures based on second-order statistics computed from
the grey level co-occurrence matrices using a small test image. Either texture measures for a
specific direction or directional invariant measures can be computed.

1. INTRODUCCIÓN La textura de una imagen es una cuantificación de la

variación espacial de valores de tono que es imposible
definirlo precisamente por su carácter sensorial. El uso de
Existen diferentes métodos utilizados en la
la textura de una imagen proviene de la habilidad innata
transformación de imágenes satelitales que generan
de los humanos de reconocer diferencias texturales.
variables de entrada a un subsiguiente procesamiento
como por ejemplo la clasificación.
Se han sugerido (Jensen, 1996) variables de textura
basadas en estadísticas de 1er orden (media, desviación
En general, los métodos tradicionales de clasificación de
estándar, varianza), estadísticas de 2do orden, basadas en
imágenes satelitales se basan en la respuesta espectral
la matriz de co-ocurrencia, entre las mas usadas para
individual de cada píxel. Otra alternativa es considerar la
medir la textura. La asunción es que la información
clasificación de imágenes en un contexto espacial. La
textural en una imagen esta contenida en la relación
premisa es que el resultado de la clasificación de un píxel
espacial que los tonos de grises tienen entre ellos. Esas
puede variar cuando se lo analiza aisladamente o cuando
relaciones están especificadas en la matriz de co-
se consideran también sus vecinos. Además, cuando se
ocurrencia espacial (o de niveles de gris) que son
utilizan imágenes de altísima resolución espacial como
computadas en una dirección especifica (o bien para
IKONOS o las adquiridas por sensores aerotransportados
todas: 0°, 45°, 90° y 135°) entre los pixeles vecinos
como AVIRIS o CASI, donde cada píxel hace referencia
dentro de una ventana móvil dentro en la imagen.
a una parte de un objeto, el tratamiento basado en un
píxel pierde validez.
El método mas comúnmente utilizado para medir
matemáticamente la textura es la matriz de co-ocurrencia
La textura es una característica importante utilizada en la
de niveles de grises o con sus siglas en ingles GLCM
identificación de objetos o regiones de interés en una
(Grey Level Co-occurrence Matrix), basadas en
imagen. Hace mas de 30 años Haralick propuso un
estadísticas de 2do orden. Es un histograma de los niveles
conjunto de 14 medidas de textura basadas en la
de grises de dos dimensiones para un par de pixeles (píxel
dependencia espacial de los tonos de grises. (Haralick et
de referencia y vecino). Esta matriz aproxima la
al., 1973)
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil
probabilidad de distribución conjunta de un par de
pixeles.
Diferentes estudios han corroborado que incluyendo
datos texturales conjuntamente con los espectrales se
mejora la precisión de la clasificación. Se han aplicado
análisis texturales tanto en imágenes adquiridas por
sensores ópticos como SPOT (Marceau et al., 1990) o
Landsat , y también en datos radar, o bien combinación
de ambos tipos de sensores (Presutti et al., 2000), como
así también en imágenes de alta resolución espacial CASI
(Moskal y Franklin, 2002).
Dada la importancia que tiene el análisis de la textura de
las imágenes satelitales y la existencia de valiosos
trabajos en idioma ingles (Hall-Beyer, 2003), se creyó
conveniente la preparación de un tutorial en español para
su enseñanza en cursos universitarios de teledetección.
2. OBJETIVOS
En este trabajo se presenta un tutorial diseñado para la
enseñanza en cursos de grado universitario de las
medidas texturales basadas en la matriz de co-ocurrencia
de Niveles de Grises. El objetivo del tutorial es que el
estudiante comprenda y realice el calculo de esta matriz.
La principal motivación para la realización del tutorial es
que los alumnos realicen los cálculos de la matriz de co-
ocurrencia en imágenes hipotéticas de fácil comprensión
y luego interpreten las imágenes de textura derivadas de
la aplicación de los algoritmos provistos por los
programas de procesamiento digital de imágenes
satelitales.
Los pasos para lograr que los estudiantes aprendan a
calcular medidas texturales son:
• Definir la matriz de co-ocurrencia de niveles de
grises (GLCM)
• Construir una matriz de co-ocurrencia para una
relación espacial determinada
• Usar esta matriz en ejercicios para calcular
distintas medidas de texturas
• Entender como estos cálculos son utilizados en la
construcción de una imagen de textura.
3. METODOLOGÍA
Existen en la bibliografía diferentes formas de medir la
textura en una imagen, estas pueden ser de Primer,
Segundo o de Tercer orden:
Primer orden: las medidas texturales de primer orden
son calculadas a partir de los valores de gris originales de
la imagen y su frecuencia, como la media, varianza,
desviación estándar. En estas medidas no se considera la
relación entre los pixeles.
Segundo Orden: son las medidas que consideran la
relación de co-ocurrencia entre grupos de dos pixeles de
la imagen original y a una distancia dada,
Tercer y más Orden, se consideran las relaciones entre
3 y más pixeles. Si bien su calculo es teóricamente
posible, no se implementan pues requieren mucho tiempo
de calculo (aun con computadoras poderosas) y su
resultado es de difícil interpretación.
La matriz de co-ocurrencia para el calculo de la textura
que se describe en este documento es una medida basada
en estadísticas de segundo orden.
3.1. CONCEPTO DE MATRIZ DE CO-
OCURRENCIA
La matriz de co-ocurrencia describe la frecuencia de un
nivel de gris que aparece en una relación espacial
especifica con otro valor de gris, dentro del área de una
ventana determinada. La matriz de co-ocurrencia es un
resumen de la forma en que los valores de los pixeles
ocurren al lado de otro valor en una pequeña ventana.
Normalmente el procedimiento de generación de
imágenes de textura requiere que el analista defina cinco
variables:
i) tamaño de la ventana
ii) banda espectral de entrada
iii) las texturas derivadas
iv) cuantización (numero de bits) del canal de salida
v) la componente espacial (la distancia interpixel y el
ángulo para el computo de la co-ocurrencia).
Respecto del tamaño de la ventana, esta debe ser
cuadrada y con numero impar de pixeles. El resultado del
calculo de la textura es un único numero que representa la
ventana completa, el cual es colocado en el lugar del
pixel central. Luego, la ventana se mueve un pixel y el
calculo se repite calculando una nueva matriz de co-
ocurrencia para esta nueva ventana y resultando un nuevo
valor, para el píxel central de esta nueva posición de la
ventana. De este modo se construye toda una nueva
imagen con valores de texturas (Figura 1).
Cada celda de la ventana debe situarse en una celda que
esté ocupada en la imagen original. Esto significa que el
pixel central de la ventana No puede ocupar un borde la
imagen. Si una ventana tiene dimensiones NxN, una
franja de (N-1)/2 píxeles alrededor de la imagen
permanecerá sin resultados (Figura 1). Usualmente los
píxeles de borde representan una pequeña fracción de las
imágenes, por lo cual es un problema menor. Sin
embargo, si la imagen es muy pequeña o la ventana muy
grande, este efecto debe considerarse en el análisis de los
resultados. Una forma de solucionar este problema es
llenar esas celdas con el valor calculado para el pixel mas
cercano.
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil
a)
Posición 1 Posición 2
b)
Fig. 1 - En a) se muestra sobre una imagen de
dimensiones 10x10 pixeles, una ventana movil de 5x5 en
dos posiciones y el pixel central que recibe el resultado.
En b) los pixeles que reciben el resultado y las 2 filas y
las 2 columnas del borde de la imagen que reciben el
valor de textura calculados en los pixeles cercanos.
Por otra parte, el tamaño relativo de la ventana y de los
objetos en la imagen determinan la utilidad de ésta
medida para la clasificación. Es recomendable que la
ventana sea menor que el objeto y lo suficientemente
grande como para capturar la variabilidad del mismo. Por
ejemplo en un bosque la textura esta determinada por las
luces y sombras de las copas. Una ventana con el tamaño
de un solo árbol no medirá la textura del bosque. Otra
ventana cubriendo todo el bosque y los campos vecinos a
él, tampoco medirá la textura del mismo.
La relación espacial entre el pixel de referencia y su
vecino puede ser en cualquiera de las 8 direcciones (N, S,
E, O y las 4 diagonales), pero solo se toman cuatro, ya
que la N es opuesta a la S y en vez de contarlas
separadamente hay formas mas sencillas de medirlas
(matriz simétrica, que mas adelante se detalla). Cuando se
habla de una relación “espacialmente invariante” se
eligen las cuatro direcciones N, NE, E y SE y se
promedian. (Esto también se expresa respectivamente
como 0°, 45°, 90° y 135°). Figura 2.
908
458
1358
6 7 8 medidas texturales que se presentan en la Sección 4 están
5 X 1 08
4 3 2 Se aclara que en este caso se toman los valores de gris de
Fig. 2 - Los 8 vecinos del pixel X de acuerdo al ángulo
utilizado en el calculo de la matriz de co-ocurrencia.
Todas estas variables podrían generar muchos datos:
asumiendo que se usan 7 medidas de texturas (aunque
pueden ser mas), 6 bandas espectrales (a menudo mas),
tamaños de ventanas que varían entre 3x3 y 21x21 (diez
tamaños diferentes, pero...porque parar allí?) 3 niveles de
cuantización del canal de salida (8, 16 y 32 bits) y 4
direcciones posibles (componente espacial) el resultado
podrían ser mas de 5000 imágenes de textura para una
sola aplicación. Esto sobrepasa a los mas sofisticados
clasificadores.
No hay forma de predecir con certeza cuales medidas
serán de mayor utilidad. Sin embargo existen algunos
conceptos generales para considerar:
• La inspección visual de algunas bandas de
entrada pueden ayudar a determinar no usarlos.
Por ejemplo, en estudios de vegetación la banda
del rojo y el infrarrojo cercano (NIR) suelen ser
los mas útiles, o bien alguna combinación de
ellos como un índice de vegetación (NDVI). El
Análisis de Componentes Principales también
puede ayudar a reducir las bandas de entrada.
• La inspección visual de una imagen también
puede mostrar alguna direccionalidad, si no la
hubiera la mejor opción es usar la espacialmente
invariante.
• Muchas de la medidas texturales están
correlacionadas entre si, en realidad existen
pocas verdaderamente independientes (Ver
Sección 7).
• El mejor tamaño de la ventana se podrá estimar
inspeccionando visualmente la imagen.
Seleccionar un conjunto de variables de textura a usar
puede ser problemático. En general, la textura es una
variable especifica para cada imagen, el uso exitoso del
análisis textural en una aplicación no implica
necesariamente aplicabilidad global. Por lo tanto, la
selección de las variables de textura deberían basarse en
el estudio iterativo del conjunto imagen particular y
condiciones del objeto a estudiar. (Franklin, 2001).
3.2. CÁLCULO DE LA MATRIZ DE CO-
OCURRENCIA
En la Figura 3 se representa la imagen prueba u original
donde los valores corresponden a Niveles de Grises. La
imagen tiene 4 pixeles de lado y 4 niveles de grises:0, 1,
2 y 3. (Haralick et al. 1973). Todos los cálculos de las
basados en esta imagen.
la imagen en su totalidad para realizar los cálculos, dando
como resultado solo un valor que representa a toda la
imagen. Cuando se trabaja con imágenes reales de
mayores dimensiones, la secuencia del calculo es la que
ya fuera presentada en la Figura 1.
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil

área de la ventana un pixel con valor de gris igual a 0

(pixel vecino), esta situado a la derecha de otro pixel con
valor 0 (pixel de referencia).
0 0 1 1
0 0 1 1 Existen, por lo tanto diferentes matrices de co-ocurrencia
0 2 2 2 para cada relación espacial, según se considere el vecino
2 2 3 3 de arriba, al costado o en diagonal.

En la Tabla 2 se muestra la matriz de co-ocurrencia para

Fig. 3 - Imagen prueba cuyas dimensiones son 4x4
pixeles con 4 valores de niveles de gris (0, 1, 2 y 3)
3.3. RELACIÓN ESPACIAL ENTRE DOS
PIXELES
la relación espacial (1,0). Esta matriz se interpreta de la
siguiente manera: En la imagen de prueba, dos veces el
pixel de referencia es 0 y su vecino a la derecha es
también 0 (Primera celda). Dos veces el pixel de
referencia es 0 y su vecino a la derecha es 1.

La Matriz de co-ocurrencia considera la relación espacial TABLA 2 - MATRIZ DE CO-OCURRENCIA (1, 0)

entre dos píxeles, llamados pixel de referencia y pixel PARA LA IMAGEN PRUEBA.
vecino. Por ejemplo, si se escoge el pixel vecino que esta
situado un pixel a la derecha de cada pixel de referencia, 2 2 1 0
esto se expresa como (1,0): 1 pixel en la dirección x, 0 0 2 0 0
pixel en la dirección y. 0 0 3 1
0 0 0 1
Cada pixel en la ventana se va convirtiendo
sucesivamente en el pixel de referencia, empezando por
el ubicado arriba a la izquierda y finalizando abajo a la 3.5. NORMALIZACIÓN DE LA MATRIZ
derecha. Los pixeles ubicados en el margen derecho de la
imagen original, no tienen vecino a la derecha por lo En la matriz precedente, se cuentan cada pixel de
tanto no son usados en el computo. referencia con su vecino a la derecha. Si el calculo se
realiza solo de este modo, usando solo una dirección,
Se pueden utilizar diferentes relaciones entre pixeles, por entonces el numero de veces que aparece la combinación
ejemplo: 2,3 no es el mismo que la combinación 3,2 (por ejemplo
(-1,0) un pixel a la izquierda del pixel de referencia el 3 esta a la derecha del 2 tres veces, pero a la izquierda
(1,1) un pixel a la derecha y un pixel abajo (en diagonal). solo una), por lo tanto la matriz no es simétrica respecto
de la diagonal.
3.4. DISTANCIA ENTRE PIXELES
Sin embargo, la simetría es necesaria para el calculo, esto
En este documento se utiliza un pixel de separación (un se logra si cada par de pixeles se cuentan dos veces: una
pixel de referencia y su inmediato vecino). Cuando la vez a la derecha y otra vez a la izquierda (se intercambian
ventana es suficientemente grande, se puede usar una los pixeles de referencia y vecino en el segundo calculo).
separación mayor, sin que haya diferencias en la
metodología de su calculo. Para obtener una matriz simétrica, la forma mas sencilla
en vez de contar dos veces, es sumarle a esta matriz su
Las posibles combinaciones de niveles de grises para la matriz traspuesta. La matriz traspuesta se logra
imagen de prueba se presentan en la Tabla 1, estas intercambiando las filas y columnas de la matriz original.
etiquetas no se volverán a mostrar en la matrices de co-
ocurrencia. Sumando cada elemento de la matriz original y su
traspuesta, se llega a la matriz simétrica de la Tabla 3.
TABLA 1 - TODAS LAS POSIBLES
COMBINACIONES DE LOS 4 NIVELES DE GRIS DE TABLA 3 - MATRIZ SIMÉTRICA PARA UNA
LA IMAGEN DE PRUEBA. RELACIÓN HORIZONTAL (DERECHA +
IZQUIERDA) DE LA IMAGEN PRUEBA.
Pixel Vecino 0 1 2 3
Pixel de Referencia
4 2 1 0
0 (0,0) (1,0) (2,0) (3,0)
2 4 0 0
1 (1,0) (1,1) (2,1) (3,1)
1 0 6 1
2 (2,0) (1,2) (2,2) (3,2)
0 0 1 2
3 (3,0) (1,3) (2,3) (3,3)

Una vez obtenida la matriz simetrica, el paso siguiente es

La primera celda debe ser llenada con la cantidad de
expresar esta matriz como probabilidad. La definición
veces que ocurre la combinación 0,0. Cuantas veces, en el
mas simple de la probabilidad es:¨el numero de veces que
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil
un evento ocurre, dividido por el numero total de
posibles eventos” y la ecuación para su calculo es (1)
Vi, j
Pi, j = N −1
(1)
∑ Vi, j
i , j =0
Donde:
i es el numero de filas y j el numero de columnas
V es el valor de la celda i,j en la ventana
Pi,j es la probabilidad en la celda i,j
N es el numero de filas o columnas.
Considerando la imagen de prueba de 4 x 4 pixeles, y la
relación (1,0) el numero total de posibles pares es de 12,
como muestra la Figura 4, y para una relación horizontal
(derecha mas izquierda) ese numero se duplica (24).
Fig. 4 - 12 pares de píxeles para una relación a la
izquierda (1,0). Considerando también la relación a la
derecha (-1,0) para construir la matriz horizontal, los
pares se duplican.
Observando la matriz horizontal de la Tabla 3, vemos
que, por ejemplo, la combinación 2,2 aparece 6 veces de
las 24 posibles (12 a la derecha y 12 a la izquierda) y la
combinación 2,3 solo 1 vez.
La Combinación 2,2 ocurre 6 veces sobre 24 posibles, por
lo que la probabilidad es de ¼ o 0.250. Mientras que la
combinacion 2,3 es de 1/24 o 0.042.
La ecuación (1) transforma la matriz de co-ocurrencia en
una aproximación de tabla de probabilidad. Decimos, que
es una aproximación, porque una verdadera probabilidad
requiere de valores continuos, y los valores de grises son
valores enteros, por lo tanto discretos.
Este proceso se denomina Normalización de la matriz.
Aplicando esta ecuación a la matriz simétrica de la Tabla
3 obtenemos la matriz de la Tabla 4, donde la sumatoria
de todos los elementos debe ser igual a 1, pues esta
normalizada.
TABLA 4 - MATRIZ NORMALIZADA HORIZONTAL
DE LA MATRIZ ORIGINAL.
0.166 (4/24) 0.083 (2/24)
0.042
0 (0/24)
(1/24)
0.083 0.166 0 0
0.042 0 0.250 0.042
0 0 0.042 0.083
Se asume que toda la información esta contenida en la
matriz de dependencia espacial desarrolladas para las 4
direcciones de la figura 2. En general , cuanto mayor es el
numero de la diagonal en la matriz de co-ocurrencia, mas
homogénea es la textura en esa parte de la imagen que
está siendo analizada.
Con respecto a la matriz de co-ocurrencia simétrica y
normalizada hay algunos aspectos a resaltar:
• Los elementos de la diagonal representan
pares de pixeles que no tienen diferencias
en su nivel de gris. Si estos elementos
tienen probabilidades grandes, entonces la
imagen no muestra mucho contraste, la
mayoría de los pixeles son idénticos a sus
vecinos.
• Sumando los valores de la diagonal tenemos
la probabilidad que un pixel tenga el mismo
nivel de gris que su vecino.
• Las líneas paralelas a la diagonal separadas
una celda, representan los pares de pixeles
con una diferencia de 1 nivel de gris. De la
misma manera sumando los elementos
separados dos celdas de la diagonal,
tenemos los pares de pixeles con dos
valores de grises de diferencia. A medida
que nos alejamos de la diagonal la
diferencia entre niveles de grises es mayor.
• Sumando los valores de estas diagonales
paralelas obtenemos la probabilidad que un
pixel tenga 1, 2, 3, etc niveles de grises de
diferencia con su vecino.
Esta suma de las diagonales se denomina GLDV
(Grey Level Difference Vector) y también es
utilizado como una medida textural en vez de la
GLCM, aunque aquí no se detalla.
3.6. PROPIEDADES DE LA MATRIZ
Cuadrada:
El rango de los valores de los pixeles de
referencia y el de los vecinos es el mismo, por lo
tanto las filas y las columnas tienen idéntico
numero.
Tiene el mismo numero de filas y columnas que el
numero de bits de la imagen.
La imagen de prueba tiene solo 4 valores
posibles (0,1,2 y 3), es decir es una imagen de 2
bits (22= 4). Los datos de 8 bits (como una banda
original del satélite Landsat) tiene 256 (28= 256)
posibles valores, así la matriz de co-ocurrencia
es de 256 x256, con 65536 celdas. Datos en 16
bits (ej. Una imagen Radarsat) origina una
matriz de 65536 x 65536 con 429.496.720 celdas
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil

Es simétrica con respecto a la diagonal TABLA 5 - MATRIZ DE LOS PESOS UTILIZADOS

Una matriz simétrica significa que los mismos EN EL CALCULO DE LA HOMOGENEIDAD.
valores ocurren en las celdas opuestas a la
diagonal. Por ejemplo, el valor en la celda 3,2 1 0.5 0.2 0.1
debería ser el mismo que el valor en la celda 2,3 0.5 1 0.5 0.2
para que la matriz sea simétrica. 0.2 0.5 1 0.5
0.1 0.2 0.5 1
4. MEDIDAS DE TEXTURA
TABLA 6 - MATRIZ RESULTADO DE LA
Hasta este punto se ha detallado como se crea una matriz MULTIPLICACIÓN DE LA MATRIZ
normalizada, expresada como probabilidad, para una NORMALIZADA HORIZONTAL Y DE LA MATRIZ
determinada relación espacial entre dos píxeles vecinos. DE PESOS DE HOMOGENEIDAD.
Una vez construida, de esta matriz pueden derivarse
diferentes medidas, en esta sección se definen algunas de 0.166 0.042 0.08 0
ellas, y se desarrollan con mayor profundidad las medidas 0.042 0.166 0 0
cuyos cálculos pueden ser realizados manualmente por su 0.08 0 0.250 0.021
sencillez. 0 0 0.021 0.083
Σ de todos los elementos = 0.807
Las siguientes son una breve explicación de algunas
medidas texturales : La Homogeneidad es alta cuando la matriz de co-
ocurrencia se concentra a lo largo de la diagonal. Esto
ocurre cuando la imagen es localmente homogénea de
• Homogeneidad
acuerdo al tamaño de la ventana (Ver Figuras 3c y 3d).
Se calcula mediante la ecuación (2).
• Contraste
Es lo opuesto a la homogeneidad, es decir es una medida
N −1

∑P / 1 + (i − j )
2 (2) de la variación local en una imagen. Tiene un valor alto
i, j cuando la región dentro de la escala de la ventana tiene
i, j =0 un alto contraste.
Siendo P i,j la probabilidad de co-ocurrencia de los
N −1
(3)
∑ Pi, j (i − j )
valores de gris i y j, para una distancia dada. 2

Así tenemos para el primer elemento de la matriz una i , j =0

probabilidad de 0.166 y los niveles de gris de los píxeles
La matriz de pesos, toma valores que crecen
de referencia y pixel vecino de 0, por lo tanto: 0.166/ 1+
exponencialmente a medida que nos alejamos de la
(0-0)2 = 0.166.
diagonal (0,1,4,9 etc)
Para la diagonal central (0-0)2 = (1-1)2 = 0.
Del mismo modo para el segundo elemento (0,1) tenemos
para la primer diagonal paralela (1-0)2 = (0-1)2 = 1
0.083/1+ (0-1) 2= 0.0415. Sumando el resultado para
para la segunda diagonal paralela (2-0)2 = (0-2)2 =4
todos los elementos obtenemos el valor de la medida de
y la tercera (3-0)2 = (0-3)2 = 9
Homogeneidad para esta imagen y para esta relación
espacial.
• Disimilaridad
0.166/1 + 0.083/2 + 0.042/5 + 0/10+ Similar al Contraste, es alta cuando la región tiene un
0.083/2 + 0.166/1 + 0/2 + 0/5 + contraste alto.
0.042/5 + 0/2 + 0.25/1 + 0.042/2 +
0/10 + 0/5 + 0.042/2 + 0.083/1 = 0.807 N −1

Otra forma de realizar el calculo es en forma matricial,

∑P
i , j =0
i, j i− j (4)
multiplicando la matriz de probabilidades (Tabla 4) por la
matriz de pesos. Estos pesos surgen de la ecuación (2).
Para construir la matriz de pesos, estos pesos crecen
En la Tabla 5 se presentan los pesos para calcular la
linealmente a medida que nos alejamos de la diagonal
homogeneidad, los pesos son menores a medida que nos
alejamos de la diagonal. Sumando todos los elementos de (0,1,2,3, etc). El valor absoluto de ?0-0?=?1-1?= 0, son
la matriz resultado (Tabla 6) obtenemos el valor de la los valores de la diagonal. Las dos diagonales paralelas, a
medida de homogeneidad. un valor de separación tienen peso 1, ?1-0? ?0-1? ?2-1?
?1-2? etc.

• GLCM Media
La ecuación para su calculo es la siguiente:
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil

N −1 Si, P i,j es una probabilidad y toma valores entre 0 y 1,

∑ iP
i , j =0
i, j (5) entonces el ln (P i,j ) siempre tomará valores de 0 o
negativos.
Cuanto mas pequeño sea el valor de P i,j , es decir que la
ocurrencia de esa combinación de píxeles es poco común,
Se hace notar la diferencia que existe entre esta GLCM el valor absoluto de ln (P i,j ) será mayor.
media de la media aritmética de los valores de grises de
los píxeles de la ventana. La media en la matriz de co- • Correlación
ocurrencia no es simplemente el promedio de los valores
originales de los niveles de gris en la ventana. El valor N −1  (i − µ i )( j − µ j )  (10)
del pixel no es ponderado por su frecuencia por si mismo,
sino por la frecuencia de su co-ocurrencia en ∑ Pi , j  

combinación de un determinado valor del pixel vecino. i , j =0
 (σ i
2
)(σ i
2
)
• Desviación Standard El resultado es entre –1 y 1.
Es la desviación standard de los niveles de grises en la
ventana. Es alta cuando la desviación estándar en los Como surge de la ecuación esta medida se calcula de una
niveles de grises dentro de la ventana es también alta. forma diferente a las anteriores medidas, por lo cual la
información que suministra es esencialmente distinta, es
Las ecuaciones para el calculo de la varianza que a independiente de las otras medidas. Por lo tanto es
continuación de muestran, dan el mismo resultado tanto esperable que pueda ser usada en combinación con otra
para i como para j, pues la matriz es simétrica. medida textural.

N −1 Algunas propiedades de la Correlación son:

σ = ∑ P (i − µ )
2 2 (6) • Un objeto tiene mas alta correlación dentro de él que
i i, j i entre objetos adyacentes.
i , j =0 • Píxeles cercanos están mas correlacionado entre si
que los píxeles mas distantes

N −1

∑ P (i − µ )
• ASM (Angular Second Moment)
σ =2
j i, j j
2
(7)
N −1 (11)
∑ i, j
i, j =0
2
Mientras que las ecuaciones para el calculo de la P
desviación Standard son las siguientes:
i , j =0

σ i = σ i2 σ j = σ 2j (8) Esta medida da valores altos cuando en la matriz de co-

Esta medida se basa en la media y la dispersión alrededor
de la media de los valores de las celdas de la matriz de
co-ocurrencia. Como la varianza utiliza específicamente
la combinación entre los píxeles de referencia y vecino,
no es la misma que la varianza de los niveles de grises de
la imagen original.
ocurrencia tiene pocas entradas de gran magnitud, y es
baja cuando todas las entradas son similares. Es una
medida de la homogeneidad local.
La raíz cuadrada del ASM se denomina Energía o
Uniformidad, y también es usada como medida textural.
5. EJERCICIOS

• Entropía
Es alta cuando los elementos de la matriz de co-
ocurrencia tienen relativamente valores iguales. Es baja
cuando los elementos son cercanos a 0 o 1 (por ejemplo
cuando la imagen es uniforme dentro de la ventana)
La ejercitación que se plantea a los estudiantes, es que
realicen el calculo de la matriz de co-ocurrencia vertical
de la imagen prueba, con un pixel de separación entre
píxeles de referencia y vecino.

Una vez calculada esta matriz, se procede al calculo

N −1

∑− P ln (Pi , j )
(9) manual de las medidas de texturas: Homogeneidad,
i, j Contraste y Disimilaridad.
i, j
Una vez comprendido como se realiza el calculo y
Se asume que 0*ln(0)=0 realizada la ejercitación manual mediante la ayuda de
calculadora u hoja de calculo, se procede a trabajar con
imágenes satelitales de una zona especifica. Mediante un
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil
programa de procesamiento digital se obtienen diferentes
medidas texturales, con varios tamaños de ventana y
distintas relaciones espaciales entre dos píxeles.
Finalmente se interpretan las imágenes derivadas.
6. RESULTADOS
A los fines de ejemplificar los resultados que se obtienen
mediante la utilización de un programa de calculo de
texturas, en este caso el programa PCI-Geomatics, se
muestran en la Figura 5 medidas de la Homogeneidad de
la Banda 4 de una imagen Landsat calculada con dos
diferentes tamaños de ventana, 5x5 y 25x25. Allí se
observa claramente como el cuerpo de agua, que es una
región homogénea de la imagen, adquiere valores altos,
representados en blanco, para ambos tamaños; ocurre lo
mismo en algunos lotes agrícolas grandes. En cambio, en
la región ubicada al SO del cuerpo de agua, donde la
cobertura del suelo es muy heterogénea, los valores son
bajos, sobre todo para la ventana de 25 pixeles de lado.
a) b)
c) d)
Fig. 5 - a) En esta figura se muestra una porción de
imagen Landsat ETM, en composición RGB: 4,5,3.
Donde se observan campos agrícolas, un cuerpo de agua
y cortinas forestales. En b) se muestra la Banda 4. En c) y
d) las texturas de Homogeneidad derivadas con distintos
tamaños de ventana 25x25 en c) y 5x5 en d), ambas para
la relación espacial de (1,1). Los valores mas altos están
representados en blanco.
7. CONSIDERACIONES FINALES
Las medidas texturales descriptas en la Sección 4,
podrían agruparse en función de como son asignados por
pesos en las ecuaciones, así tenemos un primer grupo
donde los pesos están relacionados con la distancia a la
diagonal, aquí están: Contraste, Disimilaridad y
Homogeneidad.
Un segundo grupo donde se asignan los pesos
directamente con la probabilidad, y hacen referencia al
orden de los valores dentro de la ventana; en este grupo
se encuentra ASM y Energía. Y Finalmente un grupo de
medidas que se hacen referencia a estadísticas
descriptivas como la Media, la Varianza o Desviación
Standard y la Correlación.
Generalmente, las medidas contenidas en el mismo grupo
aportan el mismo tipo de información, y están
correlacionadas entre ellas, algunas positiva y otras
negativamente.
De las medidas que propuso Haralick las 3 mas
ampliamente utilizadas son Angular Second Moment
(ASM), Contraste y Correlación.
Aunque las medidas texturales han sido incorporadas en
las clasificaciones multiespectrales, aun no se ha
adoptado algún algoritmo de calculo lo suficientemente
efectivo.
Además las medidas texturales derivadas para un tipo de
aplicación como por ejemplo uso del suelo, no son
necesariamente útiles cuando se aplican a otro problema
geográfico, como la identificación de unidades
geomorfológicas.
Además, algunas variables centrales en el computo de
estas medidas, como el tamaño de la ventana, son aun
establecidas empíricamente, lo cual hace difícil la
comparación de estudios cuando muchas variables no son
mantenidas como constantes.
Finalmente, los resultados de estos cálculos no son
números enteros, por lo cual se deben manejar bandas o
canales en 32 bits, de los contrario el valor se redondearía
perdiéndose información. Luego podría re-escalarse a 8
bits si fuera necesario.
8. REFERENCIAS
- Franklin S.E., 2001, Remote Sensing for Sustainable
Forest Management, Ed. Lewis Publishers, pp 407.
- Hall-Beyer M., 2003, GLMC Texture: A tutorial
http://www.ucalgary.ca/~mhallbey/texture/texture_tutoria
l.html
- Haralick R.M, Shanmugan K and Dinstein I., 1973,
Textural features for image classification, IEEE
Transaction on System, Man and Cybernetics, Vol SMC-
3 N° 6, pp 610-621.
- Jensen J.R., 1996, Introductory Digital Image
Processing (Second Edition), Ed. Prentice Hall, pp 316.
- Marceau D.J., Howarth P.J., Dubois J-M and Gratton
D.J., 1990, Evaluation of grey level co-ocurrence matrix
method for land cover classification using SPOT
imagery, IEEE Transaction on Geoscience and Remote
Sensing, Vol 28, N° 4, pp 513-519.
4ª Jornada de Educação em Sensoriamento Remoto no Âmbito do Mercosul – 11 a 13 de agosto de 2004 – São Leopoldo, RS, Brasil

- Moskal L.M. and Franklin S.E., 2002, Multi-layer

Forest Stand Discrmination with spatial co-ocurrence
texture analysis in high spatial detail airborne imagery,
Geocarto International , Vol 17, N° 4, pp 53-65.

- Presutti M.E., Franklin S.E., Moskal L.M. and Dickson

E.E., 2001, Supervised classifcation of multisource
satellite image spectral and texture data for agricultural
crop mapping in Buenos Aires Province, Argentina.
Canadian Journal of Remote Sensing, Vol. 27 N° 6., pp
679-684.